×
白、严琴;朱兆英;严文丽

稀疏近端支持向量机，具有专门的内点方法。 （英语） Zbl 1317.90201号

《运营杂志》。Res.Soc.中国 2015年1月1日至15日第3期.
摘要：支持向量机（SVM）是一种广泛使用的分类方法。近似支持向量机（PSVM）是支持向量机的一种扩展，是一种很有前途的生成分类器的快速简单算法。受PSVM快速计算工作和\（\ell_｛1｝\）-范数产生的稀疏解的性质的启发，本文首先提出了一种具有基数约束的PSVM，该基数约束最终被\（\ell_｛1｝\）-范数放松，并导致\（\ell_｛1｝\）-范数的权衡_{1}-\ell_{2}\）正则化稀疏PSVM。接下来我们转换这个\（\ell_{1}-\将稀疏PSVM正则化为（ell{1}）正则化最小二乘（LS）的等价形式，并用S.J.金等人[“大规模正则最小二乘的内点方法”，IEEE J.Sel.Topics Signal Process.12，606–617（2007）]。最后，\（\ell_{1}-\利用加州大学欧文机器学习库（UCI知识库）的真实数据集，对ell{2}正则化稀疏PSVM进行了说明。此外，我们将数值结果与现有的模型如广义特征值近端SVM（GEPSVM）、PSVM和SVM-Light进行了比较。数值结果表明_{1}-\ell_｛2｝\）正则化稀疏PSVM不仅比GEPSVM、PSVM和SVM Light的分类准确率更好，而且比\（ell_｛1｝\）-PVM的分类更稀疏。

引用于三文件

MSC公司：

90立方厘米 整数编程
90C20个 二次规划
49平方米 松弛型数值方法
65千5 数值数学规划方法

关键词：

近似支持向量机;分类精度;内点法;预处理共轭梯度算法

软件：

PDCO公司;UCI-毫升
PDF格式BibTeX公司 XML格式引用
\textit{Y.-Q.Bai}等人，J.Oper。中国研究学会3，第1号，1--15（2015；Zbl 1317.90201）
全文： 内政部

参考文献：

[1] Bai，Y.Q.，Chen，Y.，Niu，B.L.：半监督支持向量机的SDP松弛。派克靴。J.优化。8(1), 3 (2012) ·Zbl 1263.90051号
[2] Bai，Y.Q.，Niu，B.L.，Chen，Y.：使用半监督SVM检测蛋白质同源性的新SDP模型。优化62（4），561（2013）·Zbl 1273.90143号 ·doi:10.1080/02331934.2011.611515
[3] Bai，Y.Q.，Shen，Y.J.，Shen和K.J.：用于具有稀疏解的分类问题的一致近端支持向量机。《运营杂志》。中国研究社会2，57-74（2014）·Zbl 1308.90105号 ·doi:10.1007/s40305-014-0037-z
[4] Cands，E.J.：压缩取样。程序。国际会议数学。3, 1433-1452 (2006) ·Zbl 1130.94013号
[5] Cands，E.J.，Romberg，J.，Tao，T.：鲁棒不确定性原理：从高度不完整的频率信息中精确重建信号。信息理论IEEE Trans。52（2），489-509（2006年a）·兹比尔1231.94017 ·doi:10.1109/TIT.2005.862083
[6] Cands，E.J.、Romberg，J.K.、Tao，T.：从不完整和不准确的测量中恢复稳定的信号。Commun公司。纯应用程序。数学。59（8），1207-1223（2006年b）·邮编1098.94009 ·doi:10.1002/cpa.20124年
[7] Chen，W.J.，Tian，Y.J.：\[L_p\]Lp-范数近端支持向量机及其应用。程序。计算。科学。1, 2417-2423 (2012) ·doi:10.1016/j.procs.2010.04.272
[8] Chen，S.S.，Donoho，D.L.，Saunders，M.A.：通过基追踪进行原子分解。SIAM科学杂志。计算。20(1), 33-61 (1998) ·Zbl 0919.94002号 ·doi:10.1137/S1064827596304010
[9] Deng，N.Y.，Tian，Y.J.，Zhang，C.H.：支持向量机。CRC出版社，泰勒和弗朗西斯集团，博卡（2013）·Zbl 1278.68011号
[10] Donoho，D.L.：压缩传感。信息理论IEEE Trans。52(4), 1289-1306 (2006) ·Zbl 1288.94016号 ·doi:10.1109/TIT.2006.871582
[11] Fung，G.，Mangasarian，O.L.：近距离支持向量机分类器。摘自：第七届ACM SIGKDD知识发现和数据挖掘国际会议论文集，第77-86页（2001）·Zbl 1101.68758号
[12] Kim，S.J.，Koh，K.，Boyd，S.P.：大规模的内点方法ℓ1-正则最小二乘。J.塞尔。主题信号处理。1932-4553年12月（2007年）
[13] Mangasarian，O.L.，Wild，E.W.：通过广义特征值进行多曲面近端支持向量机分类。模式分析马赫数。智力。IEEE传输。28(1), 69-74 (2006) ·doi:10.10109/TPAMI.2006.17
[14] Murphy，P.M.，Aha，D.W.：UCI机器学习库，www.ics.UCI.edu/mlearn/MLRepository.html，1992年
[15] Nocedal，J.，Wright，S.：数值优化。Springer运筹学系列，纽约（2006）·Zbl 1104.65059号
[16] Suykens，J.A.K.，Vandewalle，J.：最小二乘支持向量机分类器。神经过程Lett。9, 293-300 (1999) ·doi:10.1023/A:1018628609742
[17] Suykens，J.A.K.：最小二乘支持向量机。《世界科学》，新加坡（2002年）·Zbl 1017.93004号 ·doi:10.1142/5089
[18] Tibshirani，R.：通过套索进行回归收缩和选择。J.R.统计社会服务。B、 267-288，1996年·Zbl 0850.62538号
[19] Vapnik，V.N.等人：统计学习理论的本质。施普林格，纽约（1995）·Zbl 0833.62008号 ·数字对象标识代码：10.1007/978-1-4757-2440-0
[20] Vapnik，V.N.：统计学习理论。威利，纽约（1998）·兹比尔0935.62007
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。